Salta para o conteúdo

Ultralytics Integrações

Welcome to the Ultralytics Integrations page! This page provides an overview of our partnerships with various tools and platforms, designed to streamline your machine learning workflows, enhance dataset management, simplify model training, and facilitate efficient deployment.

Ultralytics YOLO ecossistema e integrações



Observa: Ultralytics YOLO11 Deployment and Integrations

Integrações de conjuntos de dados

  • Roboflow: Facilita a gestão de conjuntos de dados sem descontinuidades para modelos Ultralytics , oferecendo capacidades robustas de anotação, pré-processamento e aumento.

Integrações de formação

  • ClearML: Automatiza os teus fluxos de trabalho de Ultralytics ML, monitoriza experiências e promove a colaboração entre equipas.

  • Comet ML: Melhora o desenvolvimento do teu modelo com Ultralytics , acompanhando, comparando e optimizando as tuas experiências de aprendizagem automática.

  • DVC: Implementa o controlo de versões para os teus projectos de aprendizagem automática Ultralytics , sincronizando dados, código e modelos de forma eficaz.

  • MLFlow: Simplifica todo o ciclo de vida de ML dos modelos Ultralytics , desde a experimentação e reprodutibilidade até à implementação.

  • Ultralytics HUB: Acede e contribui para uma comunidade de modelos Ultralytics pré-treinados.

  • Neptune: Mantém um registo completo das tuas experiências de ML com Ultralytics neste armazenamento de metadados concebido para MLOps.

  • Ray Tune: Optimiza os hiperparâmetros dos teus modelos Ultralytics em qualquer escala.

  • TensorBoard: Visualiza os teus Ultralytics fluxos de trabalho de ML, monitoriza as métricas do modelo e promove a colaboração da equipa.

  • Weights & Biases (W&B): Monitoriza experiências, visualiza métricas e promove a reprodutibilidade e a colaboração em projectos Ultralytics .

  • Amazon SageMaker: Aproveita o Amazon SageMaker para criar, treinar e implementar eficientemente modelos Ultralytics , fornecendo uma plataforma tudo-em-um para o ciclo de vida do ML.

  • Paperspace Gradient: Paperspace Gradient simplifies working on YOLO11 projects by providing easy-to-use cloud tools for training, testing, and deploying your models quickly.

  • Google Colab: Utiliza o Google Colab para treinar e avaliar os modelos Ultralytics num ambiente baseado na nuvem que suporta a colaboração e a partilha.

  • Kaggle: Explora como podes utilizar o Kaggle para treinar e avaliar modelos Ultralytics num ambiente baseado na nuvem com bibliotecas pré-instaladas, suporte GPU e uma comunidade vibrante para colaboração e partilha.

  • JupyterLab: Descobre como utilizar o ambiente interativo e personalizável do JupyterLab para treinar e avaliar modelos Ultralytics com facilidade e eficiência.

  • IBM Watsonx: Vê como o IBM Watsonx simplifica a formação e avaliação dos modelos de Ultralytics com as suas ferramentas de IA de ponta, integração sem esforço e sistema avançado de gestão de modelos.

Integrações de implantação

  • Neural Magic: Aproveita o Quantization Aware Training (QAT) e as técnicas de poda para otimizar os modelos Ultralytics para um desempenho superior e um tamanho mais reduzido.

  • Gradio 🚀 NOVO: Implementa modelos Ultralytics com o Gradio para demonstrações interactivas e em tempo real de deteção de objectos.

  • TorchScript: Desenvolvido como parte da estrutura PyTorchTorchScript permite a execução e implementação eficientes de modelos de aprendizagem automática em vários ambientes de produção sem a necessidade de Python dependências.

  • ONNX: Um formato de fonte aberta criado por Microsoft para facilitar a transferência de modelos de IA entre vários quadros, aumentando a versatilidade e a flexibilidade de implementação dos modelos Ultralytics .

  • OpenVINO: Intel's toolkit for optimizing and deploying computer vision models efficiently across various Intel CPU and GPU platforms.

  • TensorRT: Developed by NVIDIA, this high-performance deep learning inference framework and model format optimizes AI models for accelerated speed and efficiency on NVIDIA GPUs, ensuring streamlined deployment.

  • CoreML: CoreML, developed by Apple, is a framework designed for efficiently integrating machine learning models into applications across iOS, macOS, watchOS, and tvOS, using Apple's hardware for effective and secure model deployment.

  • TF SavedModel: Developed by Google, TF SavedModel is a universal serialization format for TensorFlow models, enabling easy sharing and deployment across a wide range of platforms, from servers to edge devices.

  • TF GraphDef: Desenvolvido por GoogleGraphDef é o formato da TensorFlow para representar gráficos de computação, permitindo a execução optimizada de modelos de aprendizagem automática em diversos tipos de hardware.

  • TFLite: Desenvolvido por GoogleO TFLite é uma estrutura leve para implantar modelos de aprendizado de máquina em dispositivos móveis e de borda, garantindo inferência rápida e eficiente com o mínimo de memória.

  • TFLite Edge TPU: Developed by Google for optimizing TensorFlow Lite models on Edge TPUs, this model format ensures high-speed, efficient edge computing.

  • TF.js: Desenvolvido por Google para facilitar o aprendizado de máquina em navegadores e Node.js, TF.js permite a implantação de modelos de ML baseados em JavaScript.

  • PaddlePaddle: Uma plataforma de aprendizagem profunda de código aberto da Baidu, PaddlePaddle permite a implementação eficiente de modelos de IA e centra-se na escalabilidade das aplicações industriais.

  • NCNN: Developed by Tencent, NCNN is an efficient neural network inference framework tailored for mobile devices. It enables direct deployment of AI models into apps, optimizing performance across various mobile platforms.

  • VS Code: An extension for VS Code that provides code snippets for accelerating development workflows with Ultralytics and also for anyone looking for examples to help learn or get started with Ultralytics.

Formatos de exportação

Também suportamos uma variedade de formatos de exportação de modelos para implementação em diferentes ambientes. Vê aqui os formatos disponíveis:

Formato format Argumenta Modelo Metadados Argumentos
PyTorch - yolo11n.pt -
TorchScript torchscript yolo11n.torchscript imgsz, optimize, batch
ONNX onnx yolo11n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolo11n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolo11n.pb imgsz, batch
TF Leve tflite yolo11n.tflite imgsz, half, int8, batch
TF Borda TPU edgetpu yolo11n_edgetpu.tflite imgsz
TF.js tfjs yolo11n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolo11n_paddle_model/ imgsz, batch
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch

Explora as ligações para saberes mais sobre cada integração e como tirar o máximo partido delas com Ultralytics. Ver completo export detalhes no Exportação página.

Contribui para as nossas integrações

Estamos sempre entusiasmados por ver como a comunidade integra Ultralytics YOLO com outras tecnologias, ferramentas e plataformas! Se tiveres integrado com êxito o YOLO com um novo sistema ou se tiveres conhecimentos valiosos para partilhar, considera contribuir para os nossos documentos de integrações.

Ao escrever um guia ou tutorial, podes ajudar a expandir a nossa documentação e fornecer exemplos reais que beneficiam a comunidade. É uma excelente maneira de contribuir para o crescente ecossistema em torno de Ultralytics YOLO .

Para contribuir, por favor consulta o nosso Guia de Contribuição para obteres instruções sobre como submeter um Pull Request (PR) 🛠️. Aguardamos ansiosamente as tuas contribuições!

Vamos colaborar para tornar o ecossistema Ultralytics YOLO mais expansivo e rico em funcionalidades 🙏!

FAQ

O que é o Ultralytics HUB e como é que simplifica o fluxo de trabalho de ML?

Ultralytics HUB is a cloud-based platform designed to make machine learning (ML) workflows for Ultralytics models seamless and efficient. By using this tool, you can easily upload datasets, train models, perform real-time tracking, and deploy YOLO11 models without needing extensive coding skills. You can explore the key features on the Ultralytics HUB page and get started quickly with our Quickstart guide.

Como é que integro os modelos Ultralytics YOLO com Roboflow para a gestão de conjuntos de dados?

A integração dos modelos Ultralytics YOLO com Roboflow melhora a gestão do conjunto de dados, fornecendo ferramentas robustas para anotação, pré-processamento e aumento. Para começar, segue os passos na Roboflow página de integração. Esta parceria garante um tratamento eficiente do conjunto de dados, o que é crucial para o desenvolvimento de modelos YOLO precisos e robustos.

Posso acompanhar o desempenho dos meus modelos Ultralytics utilizando o MLFlow?

Sim, podes. A integração do MLFlow com os modelos Ultralytics permite-lhe acompanhar as experiências, melhorar a reprodutibilidade e simplificar todo o ciclo de vida do ML. Encontra instruções detalhadas para configurar esta integração na página de integração do MLFlow. Esta integração é particularmente útil para monitorizar as métricas do modelo e gerir o fluxo de trabalho de ML de forma eficiente.

What are the benefits of using Neural Magic for YOLO11 model optimization?

Neural Magic optimizes YOLO11 models by leveraging techniques like Quantization Aware Training (QAT) and pruning, resulting in highly efficient, smaller models that perform better on resource-limited hardware. Check out the Neural Magic integration page to learn how to implement these optimizations for superior performance and leaner models. This is especially beneficial for deployment on edge devices.

Como posso implementar modelos Ultralytics YOLO com o Gradio para demonstrações interactivas?

To deploy Ultralytics YOLO models with Gradio for interactive object detection demos, you can follow the steps outlined on the Gradio integration page. Gradio allows you to create easy-to-use web interfaces for real-time model inference, making it an excellent tool for showcasing your YOLO model's capabilities in a user-friendly format suitable for both developers and end-users.

Ao abordar estas questões comuns, pretendemos melhorar a experiência do utilizador e fornecer informações valiosas sobre as poderosas capacidades dos produtos Ultralytics . A incorporação destas FAQs não só melhorará a documentação, como também conduzirá mais tráfego orgânico para o sítio Web Ultralytics .


📅 Created 11 months ago ✏️ Updated 7 days ago

Comentários